論文の概要: Unsupervised Clustering for Fault Analysis in High-Voltage Power Systems Using Voltage and Current Signals

• arxiv url: http://arxiv.org/abs/2505.17763v1
• Date: Fri, 23 May 2025 11:35:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:34.030434
• Title: Unsupervised Clustering for Fault Analysis in High-Voltage Power Systems Using Voltage and Current Signals
• Title（参考訳）: 電圧・電流信号を用いた高電圧電力系統の異常解析のための教師なしクラスタリング
• Authors: Julian Oelhaf, Georg Kordowich, Andreas Maier, Johann Jager, Siming Bayer,
• Abstract要約: 本稿では,高電圧系統の故障診断における教師なしクラスタリング手法の適用について検討する。 Reseau de Transport d'Electricite (RTE) によって提供されるデータセットを解析し、Fast Fourier Transform (FFT) を用いて周波数領域の特徴を抽出する。 K-Meansアルゴリズムはデータの基本パターンを特定するために適用され、ラベル付きトレーニングサンプルを必要とせずに自動故障分類を可能にする。
• 参考スコア（独自算出の注目度）: 2.979183050755201
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The widespread use of sensors in modern power grids has led to the accumulation of large amounts of voltage and current waveform data, especially during fault events. However, the lack of labeled datasets poses a significant challenge for fault classification and analysis. This paper explores the application of unsupervised clustering techniques for fault diagnosis in high-voltage power systems. A dataset provided by the Reseau de Transport d'Electricite (RTE) is analyzed, with frequency domain features extracted using the Fast Fourier Transform (FFT). The K-Means algorithm is then applied to identify underlying patterns in the data, enabling automated fault categorization without the need for labeled training samples. The resulting clusters are evaluated in collaboration with power system experts to assess their alignment with real-world fault characteristics. The results demonstrate the potential of unsupervised learning for scalable and data-driven fault analysis, providing a robust approach to detecting and classifying power system faults with minimal prior assumptions.
• Abstract（参考訳）: 現代の電力網におけるセンサの普及により、特に故障時に大量の電圧と電流波形データが蓄積された。 しかし、ラベル付きデータセットの欠如は、障害分類と解析に重大な課題をもたらす。 本稿では,高電圧系統の故障診断における教師なしクラスタリング手法の適用について検討する。 Reseau de Transport d'Electricite(RTE)によって提供されるデータセットを解析し、Fast Fourier Transform(FFT)を用いて周波数領域の特徴を抽出する。 K-Meansアルゴリズムはデータの基本パターンを特定するために適用され、ラベル付きトレーニングサンプルを必要とせずに自動故障分類を可能にする。 得られたクラスタは、実世界の障害特性との整合性を評価するために、電力システムの専門家と共同で評価される。 その結果、スケーラブルでデータ駆動型故障解析のための教師なし学習の可能性を示し、最小の前提で電力系統故障を検出し分類するための堅牢なアプローチを提供する。

関連論文リスト

• Time and Frequency Domain-based Anomaly Detection in Smart Meter Data for Distribution Network Studies [0.0]
  本稿では,異常がパワーデータセットに与える影響を検知・緩和する手法に焦点をあてる。 分離フォレスト機械学習アルゴリズムと高速フーリエ変換フィルタに基づく異常検出フレームワークを提案する。 異常検出手法を統合することの重要性は, スマートメータを多用した分散ネットワークにおいて重要である。
  論文  参考訳（メタデータ） (2025-04-25T10:26:30Z)
• Unsupervised Learning for Fault Detection of HVAC Systems: An OPTICS -based Approach for Terminal Air Handling Units [1.0878040851638]
  本研究では,ターミナルエアハンドリングユニットとその関連システムにおける故障を検出するための教師なし学習戦略を提案する。 この手法は、主成分分析を用いて歴史的センサデータを前処理して次元を合理化する。 その結果,オプティクスは季節ごとの精度で常にk平均を上回っていた。
  論文  参考訳（メタデータ） (2023-12-18T18:08:54Z)
• Unsupervised clustering of disturbances in power systems via deep convolutional autoencoders [2.0736732081151366]
  電力グリッド上の異常事象を検出すると、電力品質(PQ)イベントはPQメーターによって記録される。 電力系統の障害時に捉えた波形の多くは、教師あり学習のためにラベル付けされる必要がある。 本稿では、PQイベントのクラスタリングに使用できる自動エンコーダとK平均クラスタリングに基づく教師なし手法を提案する。
  論文  参考訳（メタデータ） (2023-06-08T04:41:34Z)
• Unsupervised High Impedance Fault Detection Using Autoencoder and Principal Component Analysis [0.0]
  本稿では,オートエンコーダと主成分分析に基づくモニタリング技術を用いた教師なしHIF検出フレームワークを提案する。 提案手法の性能を4.16kVの分布系から収集した実データを用いて検証した。
  論文  参考訳（メタデータ） (2023-01-05T01:35:32Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Transfer Learning for Fault Diagnosis of Transmission Lines [55.971052290285485]
  事前学習されたLeNet-5畳み込みニューラルネットワークに基づく新しい伝達学習フレームワークを提案する。 ソースニューラルネットワークから知識を転送して、異種ターゲットデータセットを予測することで、異なる伝送ラインの長さとインピーダンスの障害を診断することができる。
  論文  参考訳（メタデータ） (2022-01-20T06:36:35Z)
• Frequency-based Multi Task learning With Attention Mechanism for Fault Detection In Power Systems [6.4332733596587115]
  本稿では,障害検出のための新しいディープラーニングベースのアプローチを導入し,実際のデータセット,すなわち部分放電検出タスクのためのKaggleプラットフォーム上でテストする。 提案手法では,時系列の特徴を抽出するためのアテンション機構を備えたLong-Short Term Memoryアーキテクチャを採用し,信号の周波数情報を利用した1D-Convolutional Neural Network構造を用いて予測を行う。
  論文  参考訳（メタデータ） (2020-09-15T02:01:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。